彩色印刷品缺陷快速精确检测方法研究

目的为解决在不同光照强度下,彩色印刷品缺陷检测的实时性和精确性问题,基于CIE L*u*v颜色空间和SURF算法,提出一种面向彩色印刷品缺陷的快速精确检测方法。方法采用中值滤波器,对采集到的待检测印刷图像进行滤波去噪;将采集到的样张图像与待检测印刷图像由RGB颜色空间转换到CIE L*u*v颜色空间;基于SURF算法,构建CIE L*u*v颜色描述向量的122维特征描述符;使用双线程并行方法,计算样张图像与待检测印刷图像中兴趣点间的欧式距离进行匹配,以兴趣点的全部匹配成功来表明待检测印刷图像无缺陷。结果在光照度150~650 lux范围内,能够对常见的位置偏移、墨迹沾染、色彩改变等印刷质量缺陷进行检测,其平均耗时为650 ms。结论该方法所需硬件配置简单,对光照强弱变化有较好的适应性,对常见的印刷质量缺陷能够给予快速精确的检测。     

基于卷积神经网络的印刷品颜色缺陷检测

目的 提取样本图像颜色直方图特征对卷积神经网络进行训练,达到快速、高准确率检测图像颜色缺陷的目的.方法 将标准图像从RGB颜色空间转换至HSV颜色空间,通过改变图像H,S,V三分量值获取训练样本和测试样本;在HSV颜色空间中非均匀量化图像的颜色直方图,得到所有训练样本和测试样本的颜色直方图特征;利用样本图像颜色直方图特征训练卷积神经网络,然后对测试样本进行检测,研究检测的速度、准确率,并将该检测方法与逐像素、超像素、BP神经网络和支持向量机方法进行对比.结果 对于图片尺寸为512×512的彩色图像,卷积神经网络检测单幅图片的平均检测时间约为57.66 ms,训练样本图像为50000张时,卷积神经网络方法对10000张测试样本进行检测的准确率为99.77％.结论 卷积神经网络方法在保证高准确率的前提下大幅提高检测精度,对于印刷品色差缺陷在线检测具有良好的应用价值.     

基于机器视觉的IC卡印刷缺陷检测

针对工厂对IC卡印刷表面经常出现的印刷缺陷检测需求,介绍一套基于视觉的自动检测IC卡上污点、拖墨、色差、套印四种主要缺陷的系统的研究。并使用数据库记录功能解决定位缺陷来源的问题。配合工位采用差影法获取缺陷图像,对点线缺陷的分析,提出基于行间行程差单次扫描连通域分析法解决点线缺陷统计问题;对色差缺陷识别,提出基于印刷色差公式的多区域综合识别方法;对套印缺陷,提出基于神经网络识别缺陷字符并对比缺陷图像与标准图像横纵投影。最后,对500张卡片进行测试,测试结果证明本文的算法检测速度和精度相比于传统人工检测有非常大的提高。     

一种基于颜色恒常性的低照度图像增强方法

目的在彩色图像采集过程中,光源偏暗或曝光不足等因素常导致图像亮度和对比度偏低。提出一种基于颜色恒常性的低照度图像增强方法。方法利用HSV颜色空间消除颜色分量之间的相关性。保持色调分量不变,避免颜色失真;一方面使用改进后的MSR(多尺度Retinex)算法对亮度分量进行增强,提高图像的亮度和对比度;另一方面对饱和度分量进行自适应非线性拉伸以提高颜色的饱和度。结果提出的方法能够有效提高图像的对比度和信息熵,获得较好的视觉效果;将文中方法同传统MSR算法和MSRCR算法进行对比,文中方法各项客观评价指标均优于其他2种算法,并且具有更快的运行速度。结论文中方法能够快速有效地提高低照度图像的亮度和对比度,并且具有较强的颜色保真和细节再现能力,实验结果证明了文中方法的有效性。     

基于集成分类器的泡罩包装药品缺陷识别

目的 针对药品生产包装过程中常出现缺陷泡罩包装药品的问题,研究一种基于多特征构建与集成分类器的泡罩包装药品缺陷识别方法.方法 该方法通过集成2个不同的分类器算法分别对药品图像类别进行预测,并采用联合判定函数对2个预测输出值进行联合决策,得到最终分类结果.第1个分类器模型通过将图像转化到HSV颜色空间,分割出泡罩区域和药片区域,进行特征设计,并在提取多项特征参数后构建BP神经网络分类算法给定药品类别预测.第2个分类器模型应用多层卷积神经网络取代传统算法对图像特征进行提取,并输出药品图像类别的预测值.根据2个分类器的性能进行算法集成,构成最终集成分类器.结果 实验结果表明,该集成分类模型对数据集中泡罩包装药品图像进行分类识别测试,准确率达97％以上.结论 集成分类模型不仅提高了单一分类器的识别准确率,也具有更佳的稳定性.该方法取得了卓越的分类效果,具有较高应用性.     

基于深度神经网络的货架商品识别方法

目的为快速统计货架商品信息,提出一种基于深度神经网络的货架商品自动识别方法。方法摄像头采集的货架商品图像经过深度神经网络算法处理,得到了图像中商品的SKU和位置。针对货架商品识别这种密集检测场景,文中方法改进了通用深度神经网络目标检测算法,将算法分为检测和分类2个阶段且重新设计了部分网络结构。最后,将文中方法和传统货架商品识别方法以及通用深度神经网络目标检测方法进行了比较。结果实验证明该方法的检测阶段的模型平均正确率达到96.5%,分类阶段的分类准确率达到99.9%。整图测试的查准率为97.56%,查全率为99.26%。结论相较于以往使用传统的目标检测模型进行货架商品识别以及使用SIFT等人工算子提取特征并分类识别商品具体SKU,文中方法的商品检出率和分类准确率都有了大幅度的提升,具有很好的应用潜力。     

保持色调的彩色图像形态学局部对比度增强算法

提出一个针对HSV颜色空间彩色图像的形态学增强算法：利用文献[2]的颜色向量序、由此实现的膨胀和腐蚀算子,设计了一种形态学切换（toggle mapings）变换的实现算法,该算法利用膨胀和腐蚀算子处理后的图像对原始图像进行局部对比度增强,并且能够保持彩色图像的色调不发生变化。从实验结果看,算法增强图像对比度的效果良好。     

基于改进YOLOv5的试剂卡印刷缺陷检测算法

目的 针对试剂卡生产企业采用人工分选印刷缺陷的试剂卡存在效率低、成本高、易漏检的问题，提出一种基于深度神经网络YOLOv5s的改进试剂卡印刷缺陷检测算法YOLOv5s-EF。方法 通过图像预处理算法获得高质量的缺陷图像数据集，在YOLOv5s的主干特征提取网络中添加高效通道注意力（Efficient Channel Attention, ECA）机制，增强特征图中重要特征的表示能力；引入焦点损失函数（Focal Loss）来缓解正负样本不均衡的影响；结合印刷区域的定位结果，二次精确定位并构建方位特征向量，提出一种特征向量相似度匹配方法。结果 实验结果表明，本文提出的试剂卡印刷缺陷检测算法在测试集上的检测平均准确度可以达到97.3%，速度为22.6帧/s。结论 相较于其他网络模型，本文提出的方法可以实现对多种印刷缺陷的识别与定位，模型具有较好的检测速度和鲁棒性，有利于提高企业生产的智能化水平。     

基于SVM的滤光片表面缺陷识别方法

针对目前滤光片表面缺陷识别普遍采用人工方式,成本高、无法满足实时性等问题,提出一种基于有向无环图支持向量机(DAG-SVM)的滤光片表面缺陷识别方法。该方法结合滤光片常见缺陷的特点,设计出包含3个结构简单、性能优良的二分类器的滤光片表面缺陷识别方法,克服多分类器算法复杂、难以保证分类正确率的问题。实验结果表明:该方法对滤光片的点缺陷、印子缺陷、划痕缺陷及崩缺陷的识别正确率为100%。     

基于视觉特性的非锐化掩模图像增强

将人类视觉特性中灰度敏感程度和颜色相关性引入到图像增强中.选择HSV彩色空问,提出最优可见偏差(OND)引导的非锐化掩模(LJM)图像增强算法(OND-UM)对亮度分量进行边缘和细节增强,其中通过数值拟合得到了OND曲线,并构造了基于局部方差的自适应增益函数以实现对不同细节区域增强强度的自适应调整;尤其针对含有低对比度区域图像,利用Otsu分割方法确定阈值的分段自适应拉伸函数进行图像的全局调整和对比度增强:而饱和度分量进行直方图均衡,色度分量保持不变;颜色空间转换后再进行基于改进的颜色相关性统计的RGB空间颜色校正.仿真结果表明,OND-UM对连续边缘增强和边缘噪声抑制方面较优,而颜色校正后的图像色彩更丰富艳丽,更符合人眼视觉.     

粉状炸药自动包装工艺的改进研究

目的 针对印刷品表面缺陷检测中计算实时性差、缺陷类型识别率不高等问题,提出一种改进灰度共生矩阵(GLCM)的印刷品表面缺陷检测方法。方法 首先对主流的缺陷检测流程进行优化设计,通过对图像进行预处理和差分操作,判断待测印刷品表面是否存在形状缺陷;然后针对传统灰度共生矩阵的特征提取维度高、信息易丢失、旋转不变性差等问题,设计一种综合考虑效率和实时性的缺陷区域特征参数提取算法;最后结合得到的特征参量,通过基于支持向量机的分类器完成不同形状缺陷的分类识别。结果 实验结果表明,文中所设计的改进算法所提取的特征参量更能精确表征缺陷区域的特征,同时,特征参数的提取时间和缺陷分类识别率等指标均比传统检测方法更有优势。结论 在保证计算实时性的前提下,文中所设计的检测方法能有效完成印刷品表面缺陷区域的纹理特征识别能力,具有较高的分类识别率。     

基于 DP 方法的印刷品图像检测技术研究

目的研究印刷品图像质量在线检测及反馈。方法利用机器视觉检测技术、数字图像处理技术,并基于DP方法对标准样张和有缺陷样张进行分割和匹配,根据图像不同的分辨率和所需检测精度来设计图像不同的分割方式,从而进行颜色信息的检测和分析,利用二级识别缺陷分类技术将缺陷进行分类,显示相应的缺陷类型,从而提高印品总体质量。结果与传统的印品质量检测相比,实现了对印刷质量检测的高速度和高精度的要求。结论基于DP方法结合缺陷特征,能够快速、准确地检测出印刷品缺陷。     

基于机器视觉的编织袋表面缺陷检测系统设计与实现

目的 针对编织袋生产中表面缺陷检测效率和精度低等问题,应用机器视觉技术于编织袋表面缺陷检测,进而提高编织袋的生产效率。方法 基于机器视觉设计编织袋表面缺陷检测系统:首先为了降低背景灰度变化对缺陷检测的影响,研究一种同时具有噪声滤除与图像增强功能的预处理算法;其次选取二维最大熵值法对预处理后的编织袋图进行分割,并采用改进遗传算法对它进行优化以增强算法的收敛速度和效果;然后利用特征提取结合形态学处理的方法实现了编织袋表面缺陷的识别与分类;最后应用连通域进行分析,对分类出的缺陷进行统计与定位以获取缺陷的尺寸以及位置信息。结果 采集了200个编织袋缺陷样本,采用文中编织袋表面缺陷检测系统对编织袋样本进行缺陷识别,平均识别准确率为94.0%,处理一幅编织袋图像的时间约为600 ms。结论 该系统具有较高的识别效率和正确率,可实现编织袋表面缺陷的快速检测,满足工业生产的需求。     

基于模板匹配的啤酒箱印刷质量检测方案

目的快速且精准地检测啤酒箱常见的印刷缺陷。方法以啤酒箱面纸为检测目标,通过提取模板图像中形状和灰度值信息构建差异模型的模板匹配方法,对啤酒箱印刷中常见的缺陷特征进行检测,根据检测结果判断印刷质量是否合格,并通过检测验证实验对质量检测方案的效果进行评估。结果通过对所采集的500张图像进行检测实验并统计结果,该方法的平均准确率达到96.18%,漏检率小于0.9%,误判率为3.08%,平均检测耗时低于10 ms。结论使用该方法对啤酒箱面纸这类胶印制品进行质量检测的效果优秀且稳定,可以对细小划痕等高精度要求的缺陷进行精准检测,而且检测速度也快于其他方法。     

基于图像处理的包装印刷缺陷检测方法

目的为了提高包装印刷品缺陷检测的准确度和适用性,基于图像处理设计一种包装印刷缺陷检测方法。方法采用几个关键步骤包括图像配准、配准区域自动选取、缺陷检测等,并根据包装印刷品图像特征选择配准区域,同时给出一种快速图像配准算法,利用改进差影匹配算法实现缺陷检测;基于DSP和FPGA设计控制系统硬件平台,主要包括控制单元、图像采集与处理单元、成像单元等,并进行实验研究。结果所述方法能够准确识别出细微的刀丝、拉条类缺陷。结论该方法具有较高的可靠性、通用性,可实现包装印刷品缺陷的快速检测。     

磁瓦表面缺陷机器视觉检测与识别方法

针对磁瓦生产过程中表面缺陷检测的重要性和人工检测的弊端,研究基于机器视觉的磁瓦表面缺陷自动检测与识别方法.为解决磁瓦表面缺陷种类多、对比度低、图像中存在磨痕纹理背景和整体亮度不均匀等难点,定义扫描线梯度,其标准差与扫描线灰度标准差构成特征向量,提出基于两类支持向量机的图像分割方法来判别和提取缺陷;并提出一种改进的多类支持向量机方法,对缺陷进行分类识别,解决了多类支持向量机存在不可分区域的问题,提高了分类器的准确性和有效性.实验结果表明,该方法能准确快速地提检测磁瓦表面各区域的各类缺陷,检出率可达到96％以上,识别率超过91％.     

Integrated color defect detection method for polysilicon wafers using machine vision

For the typical color defects of polysilicon wafers,i.e.,edge discoloration,color inaccuracy and color non-uniformity,a new integrated machine vision detection method is proposed based on an HSV color model.By transforming RGB image into three-channel HSV images,the HSV model can efficiently reduce the disturbances of complex wafer textures.A fuzzy color clustering method is used to detect edge discoloration by defining membership function for each channel image.The mean-value classifying method and region growing method are used to identify the other two defects,respectively.A vision detection system is developed and applied in the production of polysilicon wafers.